論文の概要: BSDA: Bayesian Random Semantic Data Augmentation for Medical Image Classification
- arxiv url: http://arxiv.org/abs/2403.06138v2
- Date: Thu, 27 Jun 2024 06:16:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-28 19:26:56.963371
- Title: BSDA: Bayesian Random Semantic Data Augmentation for Medical Image Classification
- Title（参考訳）: BSDA:医療画像分類のためのベイジアンランダムセマンティックデータ拡張
- Authors: Yaoyao Zhu, Xiuding Cai, Xueyao Wang, Xiaoqing Chen, Yu Yao, Zhongliang Fu,
- Abstract要約: 本稿では,計算効率が良く,手作業の不要な特徴量DA法であるEmphBayesian Random Semantic Data Augmentation (BSDA)を提案する。
BSDAはプラグイン・アンド・プレイモジュールとしてCNNやTransformersに簡単に組み立てられ、ネットワークの性能が向上する。
- 参考スコア（独自算出の注目度）: 11.710389196369087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data augmentation is a crucial regularization technique for deep neural networks, particularly in medical image classification. Mainstream data augmentation (DA) methods are usually applied at the image level. Due to the specificity and diversity of medical imaging, expertise is often required to design effective DA strategies, and improper augmentation operations can degrade model performance. Although automatic augmentation methods exist, they are computationally intensive. Semantic data augmentation can implemented by translating features in feature space. However, over-translation may violate the image label. To address these issues, we propose \emph{Bayesian Random Semantic Data Augmentation} (BSDA), a computationally efficient and handcraft-free feature-level DA method. BSDA uses variational Bayesian to estimate the distribution of the augmentable magnitudes, and then a sample from this distribution is added to the original features to perform semantic data augmentation. We performed experiments on nine 2D and five 3D medical image datasets. Experimental results show that BSDA outperforms current DA methods. Additionally, BSDA can be easily assembled into CNNs or Transformers as a plug-and-play module, improving the network's performance. The code is available online at \url{https://github.com/YaoyaoZhu19/BSDA}.
- Abstract（参考訳）: データ拡張はディープニューラルネットワーク、特に医用画像分類において重要な正規化技術である。
メインストリームデータ拡張(DA)法は通常、画像レベルで適用される。
医用画像の特異性と多様性のため、効果的なDA戦略を設計するために必要な専門知識がしばしば必要であり、不適切な拡張操作はモデル性能を劣化させる可能性がある。
自動拡張法は存在するが、計算集約性が高い。
セマンティックデータ拡張は、機能空間の機能を翻訳することで実装できる。
しかし、過剰翻訳は画像ラベルに違反する可能性がある。
これらの問題に対処するために,計算効率が良く,手作業の不要な特徴量DA法である \emph{Bayesian Random Semantic Data Augmentation} (BSDA) を提案する。
BSDAは変分ベイジアンを用いて拡張可能な大きさの分布を推定し、この分布からのサンプルを元の特徴に追加して意味データ拡張を行う。
9つの2次元および5つの医用画像データセットについて実験を行った。
実験の結果,BSDAは現在のDA法よりも優れていた。
さらにBSDAはプラグイン・アンド・プレイモジュールとしてCNNやTransformersに簡単に組み込むことができ、ネットワークの性能が向上する。
コードは \url{https://github.com/YaoyaoZhu19/BSDA} でオンラインで公開されている。
関連論文リスト
- Toward Relative Positional Encoding in Spiking Transformers [52.62008099390541]
スパイキングニューラルネットワーク(スパイキングニューラルネット、英: Spiking Neural Network、SNN)は、脳内のニューロンが離散スパイクを通してどのように通信するかをモデル化するバイオインスパイアネットワークである。
本稿では,スパイキング変換器における相対位置符号化(RPE)の近似手法を提案する。
論文 参考訳（メタデータ） (2025-01-28T06:42:37Z) - Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。
それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。
以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文 参考訳（メタデータ） (2024-11-12T01:17:27Z) - MEDDAP: Medical Dataset Enhancement via Diversified Augmentation Pipeline [1.4910709350090976]
我々はMEDDAPと呼ばれる新しいパイプラインを導入し、新しい情報付きラベル付きサンプルを自動生成することで、既存の小さなデータセットを拡張する。
USLoRAはSD内の重量を選択的に微調整することができ、SDのUNet部分のみを完全微調整するのに対し、パラメータは0.1%未満である。
このアプローチは、乳がんに関する臨床医の意思決定プロセスに触発され、腫瘍の形状が強度よりも重要な役割を担っていることが多い。
論文 参考訳（メタデータ） (2024-03-25T00:17:43Z) - DreamDA: Generative Data Augmentation with Diffusion Models [68.22440150419003]
本稿では,新しい分類指向フレームワークDreamDAを提案する。
DreamDAは、オリジナルのデータのトレーニングイメージを種として考慮して、オリジナルのデータ分布に準拠する多様なサンプルを生成する。
また、生成したデータのラベルは、対応するシード画像のラベルと一致しない可能性があるため、擬似ラベルを生成するための自己学習パラダイムを導入する。
論文 参考訳（メタデータ） (2024-03-19T15:04:35Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - MedAugment: Universal Automatic Data Augmentation Plug-in for Medical Image Analysis [9.724228319915609]
データ拡張(DA)は、データ不足を軽減するためにコンピュータビジョンで広く活用されている。
医学画像解析(MIA)におけるDAは、複数の課題に直面している。
我々はMedAugmentと呼ばれる効率的かつ効果的な自動DA手法を提案する。
論文 参考訳（メタデータ） (2023-06-30T08:22:48Z) - DiffuseExpand: Expanding dataset for 2D medical image segmentation using
diffusion models [5.822451422344051]
DPMを用いた2次元医用画像分割のためのデータセット拡張のためのDiffuseExpandを提案する。
DPMは、ジェネレーティブ・アドバイサル・ネットワークよりも強力な画像合成性能を示している。
COVID-19とCGMH Pelvisデータセットの比較およびアブレーション実験により,DiffuseExpandの有効性が示された。
論文 参考訳（メタデータ） (2023-04-26T09:55:12Z) - GSDA: Generative Adversarial Network-based Semi-Supervised Data
Augmentation for Ultrasound Image Classification [8.554511144730387]
医用超音波(英語: Medical Ultrasound、略称:US)は、臨床において最も広く用いられる画像のモダリティの一つである。
ディープラーニング(DL)モデルは、先進的な米国の画像分析ツールとして機能するが、大規模なデータセットの不足により、その性能は大幅に制限される。
我々はGANに基づく半教師付きデータ拡張法を開発した。
論文 参考訳（メタデータ） (2022-03-11T16:52:14Z) - Enhancing MR Image Segmentation with Realistic Adversarial Data
Augmentation [17.539828821476224]
本稿では,学習データの利用効率を向上させるために,逆データ拡張手法を提案する。
本稿では,データ拡張モデルとセグメンテーションネットワークを協調的に最適化する汎用的なタスク駆動学習フレームワークを提案する。
提案した逆データ拡張は生成ネットワークに依存しず,汎用セグメンテーションネットワークのプラグインモジュールとして使用できる。
論文 参考訳（メタデータ） (2021-08-07T11:32:37Z) - Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
本研究では,セマンティックデータ拡張法 (SDA) を提案する。
また,適応的セマンティックデータ拡張 (ASDA) を提案する。
最先端の結果は、挑戦的なベンチマークで得られます。
論文 参考訳（メタデータ） (2020-08-03T07:56:04Z) - Generalized ODIN: Detecting Out-of-distribution Image without Learning
from Out-of-distribution Data [87.61504710345528]
我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。
具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。
大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
論文 参考訳（メタデータ） (2020-02-26T04:18:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。